基于數據挖掘的火電廠設備狀態檢修研究

趙龍

（安徽皖能電力運營檢修有限公司 安徽合肥 230000）

基于數據挖掘的火電廠設備狀態檢修研究

趙龍

（安徽皖能電力運營檢修有限公司 安徽合肥 230000）

設備狀態檢修管理關系著火電廠的高效平穩運行，是火電廠安全生產的關鍵環節，同時設備狀態的好壞決定了發電企業的長久安全運行，對企業的效益也會有很大的影響。隨著新興技術的發展，數據挖掘技術能夠被用來對火電廠的發展趨勢做出可能的預測，提供有效的決策來對設備狀態進行檢測。本文著重研究了數據挖掘技術和電廠設備狀態檢修工作，并分析了利用支持向量機技術在設備故障診斷中的應用。

設備狀態檢修；數據挖據技術；支持向量機

引言

火力發電廠作為電力行業的主流軍，在大力發展火電技術的同時對于設備狀態的檢修管理是發電廠安全運行的重中之重。良好的設備狀態檢修可以在設備運行中節能降耗、提高生產效率、減少安全事故的發生。但由于設備結構復雜，占地空間比較大，同時設備檢修項目的逐漸增多，傳統的檢修方式難以高效準確的進行檢修。在設備狀態檢修中關鍵是進行狀態監測以及故障診斷，近年來新興的數據挖掘技術在結合了計算智能、模式識別以及數據庫和統計規律等相關技術，通過對數據進行分類和處理分析等，進而挖掘出隱藏的有價值的信息。將數據挖據技術應用在設備狀態檢修方面，能夠高效快捷的對設備進行故障診斷處理，對于火電廠的經濟和社會效益都帶來了巨大的提升。

1 數據挖掘技術

數據挖掘是指從大量不完全的，有噪聲的或模糊隨機的數據中，提取隱含的有用的人們事先不知道的而又潛在有用的知識的過程[1]。數據挖掘的功能在不同的領域有不同的表達方式，如圖1概括了數據挖掘的主要功能。

圖1 數據挖掘的功能概圖

1.1 數據挖掘的過程

數據挖據即是一種知識的發現過程，多用于在數據庫、數據分析以及統計規律等方面的應用。數據挖掘在數據處理的過程中大致可分為數據的準備階段、數據挖掘階段以及結果分析階段。其具體的挖掘過程如圖2所示。

圖2 數據挖掘的基本過程和主要步驟

數據選取是為了選擇適用于數據挖掘運用中的從數據庫中選擇和提取的某些有用數據；數據預處理即是在消除噪聲和不匹配的數據以及清楚數據集成的基礎之上，可以有效的保證選取的數據質量，使得數據挖掘過程更加高效簡便，提升了數據挖掘結果的可靠性；數據變換有效的降低了數據維數，縮減了挖掘過程中數據信息的特征和變量數，節省了數據分析的時間。數據挖掘階段在確定挖掘的任務和目的之后，選擇合適的挖掘算法對解決的實際問題進行處理，使得得到的分析結果具有一定的穩健性。數據結果分析階段即是對數據挖掘得到的結果進行評估和闡釋，通過適當的方法將評估結果進行匯總，進而給出對于實際問題的決策方案。

1.2 支持向量機

隨著各種機器算法的不斷成熟，人工智能技術也在隨之不斷提升。支持向量機（Support Vector Machine）是Vaonik等人提出的一種新的通用學習方法[2]，其根據統計學規律，建立在理論的VC維理論和結構風險最小院里的基礎上，目前仍在理論研究發展階段。SVM在已非線性映射為理論基礎的背景下，能夠解決諸如小樣本、局部極小點和高維數等一些實際遇到的問題。同時SVM方法在用于解決問題的過程中，有很好的“魯棒”性，降低了計算難度，簡化了算法的復雜性。如圖3所示，給出了支持向量機的網絡結構圖，判別函數形式上輸出M個中間結點的線性組合，類似于一個神經網絡，每個中間結點對應一個支持向量。同時SVM可以進行實時的線上監測，使得其在用做故障診斷時能夠被用在小樣本決策方面，這是其在設備故障診斷的應用中的很大優勢。

圖3 支持向量機網絡結構圖

2 支持向量機在汽輪機故障診斷中應用

汽輪機是火力發電中的重要設備，其產生故障時通常會發出噪聲或異響，其故障發生主要集中在：輪子不對中、旋轉機械中輪子質量不平衡、轉軸振動過大產生摩擦以及零部件松動等。通過在故障狀態下檢測汽輪機組的振動信號的幅度特征等，來確定故障發生的具體原因，對于發電廠的安全運行具有重要的參考價值。

在應用向量機進行汽輪機組的故障診斷過程中，需對數據進行深入挖掘才能獲取到比較有用的潛在信息，具體步驟如下：

（1）在火力發電廠的信息中心數據庫收集關于汽輪機組的相關故障信息；

（2）對數據進行預處理，進行歸一化操作，清除無用數據，建立屬性決策表；

（3）通過相關數據挖掘算法，對采樣數據進行選擇得到最簡屬性集；

（4）建立SVM多分類器，對相關參數尋優，訓練SVM分類器并測試；

（5）對分析結果進行評估。

首先，通過對火電廠數據庫中采集到的30組數據信息進處理，去掉缺失的數據等，通過對預處理的數據進行歸一化操作，得到如圖4所示的初始屬性決策表。

圖4 初始屬性決策表

在對數據進行特征選擇時，采用最值聚類算法，結合關聯分析方法，求出各屬性的相關系數rA，B，在用于比較的情況下一般評定變量相關性強弱標準的取值范圍如：0.0-0.2為幾乎無關；0.2～0.3為弱相關；0.3～0.5為中等相關；0.5～0.8為較強相關；0.8～1.0為強相關。設定閾值T為0.45。結合聚類算法，選擇一組頻段值Xn作為第一聚類中心，然后將與第一聚類中心關聯度最低的作為第二聚類中心，以此計算各頻段值并確定全部聚類中心之間的相關性，確定相關系數。在構造SVM多類分類器時，為了得到良好的分類效果，可以采取一對一的多類分類方法，此方法避免了分類中兩個屬性間樣本數據差距過大造成的分類偏移等問題，大大減低了誤判率。采用一對一的多類分類法時，將收集到的30組數據分成兩部分，一部分用來做訓練，一部分用來做測試，建立6個多分類模型。根據以上分類后，來建立PSO-SVM分類器[3]，其參數優化步驟主要包括：初始化粒子群速度調節參數C1，C2和慣性權重w，以及最大進化迭代次數；根據初始化的的位置和速度得到新的參數信息，調用算法進行SVM的學習和分類訓練；計算各粒子適應度；對比各粒子，找出其經過最佳位置時的適應度取值，找出其自身適應度的取值，并比對將更好地適應度值進行更新；比較各粒子適應度值和群體粒子的最佳位置適應度值，并更新群體經歷最佳位置時的適應度值；若滿足最佳位置或最大迭代數，則返回最優懲罰系數和和函數寬度，進而得到PSO-SVM分類器。如圖5所示，給出了在初始化速度調節參數C1=1.5，C2=1.7時的參數優化圖。由圖可知最佳適應度大部分集中在坐標100處，可以作出判斷即最佳分類達到了100%。

圖5 PSO-SVM參數優化效果圖

在對SVM參數優化選取進行評估時，當采取網格搜索和交叉驗證的方法進行尋優，在進行反復試驗之后，得到的最小參數范圍變化始終不大。本文在進行汽輪機組故障診斷的過程中，采用了最值聚類算法和相關分析的方法相結合，從實際應用角度來講，能夠更加滿足樣本的代表性，在對數據樣本進行處理的過程中能夠降低數據維數，這樣做可以極大的簡化聚類算法的復雜性并且降低了相關分析方法的難度。使得SVM分類更加容易實現并且得到更加顯著的分類效果。同時，在用于設備故障診斷的過程中，主要是解決了小樣本的學習問題。汽輪組設備的故障診斷好壞很大程度上決定了火電廠能夠安全的運行，鑒于支持向量機方法能夠很好的進行小樣本學習，因此在用作汽輪組故障診斷時，使得對于處理故障數據更加的靈活，也使得得到的故障樣本數據更加具備代表性，為后期分析故障原因提供了有價值的數據信息等。利用粒子群優化方法，避免了支持向量機的過學習，在提高分類的準確性的基礎上可以尋找最有參數，使得在對設備進行故障分析時，能夠更加快速、高效的得到準確的診斷方法，更加方便的應用在工業設備的故障診斷方面。

3 結語

在電廠設備中，對汽輪機組故障的診斷至關重要。由于支持向量機可以很好的適用于小樣本學習，本文采用支持向量機方法對汽輪機故障進行診斷。分別從特征選擇和參數優化來分析研究，將數據挖掘技術用于電廠設備狀態檢修管理具有一定的理論和現實意義，可以為電廠帶來巨大的經濟效益和社會效益。

[1]郭海濤，段禮祥，等.數據挖掘方法綜述[J].計算機科學，2009，36（4B）：323～326.

[2]顧亞祥，丁世飛.支持向量機研究進展[J].計算機科學，2011，38（2）：14～16.

[3]姚全珠，蔡婕.基于PSO的LS-SVM特征選擇與參數優化算法[J].計算機工程與應用，2010，46（1）：134～136.

TM621

A

1004-7344（2016）20-0086-02

2016-7-1